一种交通标志包围盒的优化方法与流程

本发明涉及计算机视觉领域，更具体地，涉及一种交通标志包围盒的优化方法。

背景技术：

现代交通高度发达，道路状况越来越复杂，交通安全等问题也愈加重要。智能交通系统可以有效地缓解交通拥堵，减少交通事故。

交通标志是显示交通法规及道路信息的图形符号，用以管理交通、指示行车方向以保证道路畅通与行车安全。在智能交通系统中，交通标志识别是一个非常重要的部分。交通标志识别技术可以对驾驶员进行提示或者警告，从而达到缓解交通拥堵，减少交通事故的目的。

在交通标志识别中，相对于大尺寸的道路图像，交通标志尺寸较小，难以进行直接的识别。通常需要在较大尺寸的道路图像中对交通标志进行检测，获得交通标志的包围盒，对该包围盒中的内容进行识别。在目前的一些交通标志检测方法(如级联分类器)中，得到的交通标志包围盒通常不够精确，造成对交通标志识别的准确率降低

技术实现要素：

本发明提供一种克服上述问题或者至少部分地解决上述问题的交通标志包围盒的优化方法。

根据本发明的一个方面，提供一种交通标志的包围盒的优化方法，包括：

S1、对原始的包围盒中的每个像素进行初始的标记，获得交通标志的初始的形状；

S2、基于所述初始的形状以及交通标志的标准形状，获得初始的形变参数；

S3、基于所述初始的形状和形变参数优化能量函数，获得更优的形状和形变参数；以及

S4、基于所述更优的形状和形变参数，对所述能量函数进行多次迭代运算，获得优化的包围盒。

本申请提出一种通过对包围盒中的像素进行分类，获得初始的形状，再基于初始的形状获得形变参数，基于形状和形变参数不断优化能量函数，最终获得优化的包围盒，本发明获得的交通标志包围盒更精确，交通标志识别准确率相比现有技术更高。

附图说明

图1为根据本发明实施例的交通标志包围盒的优化方法的流程图；

图2为根据本发明实施例的优化方法与其他优化方法的对比效果图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

为了克服现有交通标志检测(例如级联分类器)中，交通标志包围盒精度不高，识别的交通标志识准确度低的问题，本发明提供了通过对包围盒中的像素进行分类，获得初始的形状，再基于初始的形状获得形变参数，基于形状和形变参数不断优化能量函数，最终获得优化的包围盒。

图1示出了本发明中交通标志包围盒的优化方法的流程图，如图所示，本方法包括：

S1、对原始的包围盒中的每个像素进行初始的标记，获得交通标志的初始的形状；

S2、基于所述初始的形状以及交通标志的标准形状，获得初始的形变参数；

S3、基于所述初始的形状和形变参数优化能量函数，获得更优的形状和形变参数；以及

S4、基于所述更优的形状和形变参数，对所述能量函数进行多次迭代运算，获得优化的包围盒。

本申请提出一种通过对包围盒中的像素进行分类，获得初始的形状，再基于初始的形状获得形变参数，基于形状和形变参数不断优化能量函数，最终获得优化的包围盒，本发明获得的交通标志包围盒更精确，交通标志识别准确率相比现有技术更高

在一个实施例中，所述步骤S1包括：

S1.1、基于原始的包围盒的尺寸，重新从街景图或者包含该交通标志的图片中采集该交通标志的包围盒，重新采集的包围盒的尺寸为原始的包围盒的尺寸的两倍；以及

S1.2、基于图割算法对所述重新采集的包围盒进行初始的标记，即对包围盒的每个像素分为交通标志像素或背景像素；

S1.3、将所有交通标志像素组合成的形状记为初始的形状。

现有方法采集的原始包围盒的尺寸通常较小，带来了交通标志识别不清楚的问题，而本发明在原始包围盒尺寸的基础上扩大两倍，能够捕获到完整的交通标志图。

在一个实施例中，所述步骤S2包括：

S2.1、分别计算所述初始的形状与交通标志的标准形状的形状上下文描述因子。交通标志的标准形状分为三种：方形、圆形和三角形。形状上下文描述因子是通过形状上下文算法(shape contex算法)获得的。

S2.2、匹配两个所述形状上下文描述因子，获得所述初始形状与交通标志的标准形状间的对应关系。

S2.3、对所述对应关系基于RANSAC算法获得初始的形变参数。形状参数的作用是：通过初始形状对应的初始形变参数，可以将初始形状近似地变换到标准形状。

在一个实施例中所述步骤S3包括：

S3.1、基于所有像素获得的颜色因子、形状因子以及平滑因子，创建以形状和形变参数为变量的能量函数。

其中，所述能量函数的表达式为：

E_data(L,H)＝E_color(L)+λ_shapeE_shape(L,H)；

L为本次迭代输入的形状；H为本次迭代输入的形变参数；E(L,H)为以L和H为变量获得的能量函数值；P为包围盒中所有像素的集合，N为P的轮廓像素集合，对于P中的像素p，L_p为像素p的标记值，L_p∈(0,1)，0代表该像素为背景像素，1代表该像素为交通标志像素；为数据因子；E_color表示颜色因子；E_shape表示形状因子；E_smooth表示平滑因子；λ_shape表示形状因子权重；λ_smooth表示平滑因子权重。

S3.2、固定初始的形变参数，计算使所述能量函数取最小值的形状，作为下一次迭代的形状；以及

S3.3、固定初始的形状，计算使所述能量函数取最小值的形变参数，作为下一次迭代的形变参数；

在一个实施例中，所述步骤S3.1中颜色因子的获得方法为：

对每个像素分别训练一个高斯混合模型，获得各高斯混合模型的权重、均值以及协方差；

计算每个像素对应于自身训练的高斯混合模型中各成员的概率；

采集每个像素的RGB值；

基于所述高斯混合模型的权重、均值、协方差、概率以及RGB值，获得每个像素的颜色因子；以及

基于每个像素的颜色因子获得当前迭代输入的形状的颜色因子。

所述颜色因子的表达式为：

其中，E_color(L)为以L为自变量的颜色因子；D_color(L_p,k_p,I_p,θ)为像素p的颜色因子；P为包围盒中所有像素的集合；像素p属于P；L_p表示对像素p的标记值，为0或1，0代表该像素为背景像素，1代表该像素为交通标志像素；θ代表高斯混合模型，K表示高斯混合模型的成员个数，k_p表示像素p对应于高斯混合模型中的成员k得到的概率大小，I_p表示像素p的RGB值。式中的分别表示高斯混合模型中的权重，均值和协方差。

在一个实施例中，所述步骤S3.1中形状因子的获取方法为：

基于形变参数，将标准形状通过单应性形变矩阵形变为近似于形状的近似形状，单应性形变矩阵是一种数学上的一般方法，可以将一个形状变换成另一个形状，通过变换，形状与近似形状的每个像素都相互对应。

将形状和近似形状中交通标志像素作为数字1，将背景像素作为数字0，分别获得所述形状的二值图像a和近似形状的二值图像b；

对所述两个二值图像，计算每个对应位置的像素的形状因子；以及

将所有像素的形状因子相加，获得当前迭代输入的形状的形状因子。

形状因子通过如下公式定义：

E_shape(L,H)＝D_shape(L,HΨ)

式中，E_shape为形状因子，L表示本次迭代中输入的标记，H表示本次迭代中输入的形变参数，P为包围盒中所有像素的集合，像素p属于P，L_p表示对像素p的标记值，为0或1，0代表该像素为背景像素，1代表该像素为交通标志像素。ψ表示步骤S2中预先定义的交通标志的标准形状，是一个二值图像。Hψ表示了通过形变参数H，将标准形状形变为接近L的形状的函数。对于某个形状ψ^a，ψ_p^a表示形状ψ^a中点p在二值图像中的取值，为0或1。

在一个实施例中，所述步骤S3.1中平滑因子的获得方法为：

采集位于当前迭代输入的形状的轮廓的像素，作为轮廓像素；

相邻两个轮廓像素的RGB值；

基于所述两个轮廓像素的RGB值差，获得两个像素因子间的平滑因子；以及

基于所有两两轮廓像素间的平滑因子以及平滑因子权重，获得当前迭代输入的形状的平滑因子。

平滑因子的表达式为：

E_smooth(L_p,L_q)＝|L_p-L_q|exp(-β(I_p-I_q)²)

式中，E_smooth为需要的平滑因子，L表示本次迭代中输入的标记，P为包围盒中所有像素的集合，像素p属于P，L_p表示对像素p的标记，I_q表示像素p的RGB值。β为设定的常量，(I_p-I_q)表示像素p和像素q的RGB值差，采用欧几里得距离计算。

在一个实施例中，所述形状因子权值随迭代过程逐渐增大。由于在初始过程中，标志牌形状较为不准确，早初始的几步中需要减少在能量函数中的权重值。在迭代过程中，由于形状逐渐较为准确，形状因子在能量函数中的权值不断增加。形状因子权值通过以下公式确定

该式中，代表第i步迭代中的形状因子权值，w＝0.5,r＝4。

在一个实施例中，所述步骤S4中迭代运算的次数的最大值为5。

图2示出了采用本发明和其他方法获得的交通标志包围盒，图中的方框表示包围盒，其中左侧为采用本发明获得的结果，中间为采用级联分类器获得的结果，右侧为采用人工标注法获得的结果，从图2中可以清晰地发现，采用本发明和人工标注法获得的包围盒准确地将交通标志纳入其中，而采用级联分类器获得的包围盒与交通标志之间均存在偏移，本发明的准确率大大高于采用级联分类器的准确率，与人工标注法不分伯仲，但效率上远远领先于人工标注法。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。